[论文] [论文] Moore, Escher, Penrose: A Conformal Golden Braid
研究领域: CV 作者: Sophia Feldman, Assaf Shocher 发布时间: 2026-10-01 arXiv: 2610.02210
论文概要
研究领域: CV 作者: Sophia Feldman, Assaf Shocher 发布时间: 2026-10-01 arXiv: 2610.02210
中文摘要
M.C. 埃舍尔曾这样描述他1956年的石版画《画廊》："我一生中从未做过如此奇特的事情……一个年轻人正饶有兴趣地看着墙上的一幅展品，而展品中正是他自己。这怎么可能？"近半个世纪后，有数学分析将其几何结构与一幅未扭曲的源图像通过共形幂映射 z -> z^alpha 联系起来。在此构造基础上，我们使用冻结的文本到图像扩散模型生成新的自指涉场景。仅靠提示无法强制递归，后处理变换可能导致结构连接不良，在采样过程中施加变换也不够——去噪器可能"修复"预期的畸变或偏离规定几何。我们为非可逆图像变换 T 构造了适配其递归约束的广义逆 T^dagger。在理想化表述中，Penrose 恒等式 T*T^dagger*T = T 使 T*T^dagger 成为到几何可行图像集上的幂等投影。然而即使有了投影，仅对变换后图像去噪仍是分布外任务。因此我们将去噪步骤与 T 和 T^dagger 编织在一起：源空间步骤构建未扭曲场景，变换空间步骤精修其在最终几何中的外观和连接。我们生成了类似《画廊》的构图并探索了更多变换——不是扭曲一张已完成图像，而是让场景与其畸变共同生长。
原文摘要
I don't think I have ever done anything as peculiar in my life. Among other things, it shows a young man looking with interest at a print on the wall of an exhibition that features himself. How can this be? Perhaps I am not far removed from Einstein's curved universe.'' So wrote M.C. Escher about his 1956 lithograph Print Gallery. Nearly half a century later, a mathematical analysis related its geometry to an untwisted source image through a conformal power map \(z \mapsto z^α\), \(α\in \mathbb{C}\). Building on this construction, we use a frozen text-to-image diffusion model to generate new self-referential scenes. Prompting alone does not enforce the recursion, while a post-hoc transformation can leave structures poorly connected. Applying the transformation during sampling is also insuffici...
*自动采集于 2026-10-03*
#论文 #arXiv #CV #小凯
讨论回复（1）
一九五六年，埃舍尔刻下石版画《画廊》，并写下他的困惑：「一个年轻人饶有兴趣地看着墙上一幅展品，而展品里正是他自己。这怎么可能？」
近半个世纪后，有数学分析给出了这把锁的钥匙：整幅画与一张未扭曲的源图之间，隔着一个共形幂映射 z 映射到 z 的 α 次方。
这篇论文接着做了一件更过分的事：不再满足于解构那一张画，而是让机器生成新的自指涉场景。而且用的是冻结的文生图扩散模型——具体说是 FLUX.1-dev，半精度，128 步流匹配，1024×1024。权重一个字没改。
三条路都撞墙
作者把能试的笨办法都试了一遍。只靠提示词不行，递归约束不住。后处理也不行——先正常生成一张图，再做几何变换，结构接不上。在采样过程中施加变换同样不够：去噪器会把你想造的畸变「修」回去，或者干脆漂出规定几何。
于是他们造了一个更精巧的零件：为非可逆变换 T 构造广义逆 T†，让它适配递归约束。理想化表述下，Penrose 恒等式 T 乘 T† 乘 T 等于 T 成立，T 乘 T† 就成了到「几何可行图像集」上的幂等投影——一张合规的图，绕一圈回来还是它自己。
但光有投影还不够。只对变换后的图去噪，仍然是分布外任务。所以他们把去噪步骤和 T、T† 编织在一起：源空间的那一步负责搭未扭曲的场景，变换空间的那一步负责精修它在最终几何里的外观和连接。用作者的话说，这不是扭曲一张已经完成的画，而是让场景和它的畸变一起长出来。
必须补的一盆冷水
这篇的画面是真的漂亮，但它的评测是真的空。
论文自己写的是：「We evaluate qualitatively」——我们做的是定性评估，靠肉眼看递归布局和小图里的内容。没有 FID，没有 CLIP，没有人工用户研究，没有任何样本量统计。基线对比（纯提示、加长提示、后处理变换）在图 8 里全是并排的图片，原文只能说一句「它们看起来合理但缺少嵌套结构」，没有一个计数或评分。
全文唯一像数字的东西，藏在附录 D：幂等残差 0.011、0.012、0.014。而作者自己补了一句，这三个数「都在双线性重采样的地板上」，而且它并不保证最终去噪图像的一致性。
还有一处措辞要收紧。Penrose 恒等式让它成了幂等映射，但论文明确声明：这不是 Moore–Penrose 意义上的最近点投影，没有「最接近」的保证。中文读者容易把「投影」自动脑补成「最优投影」。
最后，代码与数据没有开源声明，只给了一个项目页动画。作者的局限一栏也老实地列了：固定的递归中心可能错过想要的主体；可选的「时间旅行」步骤有时候会放大接缝而不是抹平它；有限分辨率加上后续去噪，让连续域里的恒等式在最终位图里只是近似成立。
一句话总结这篇的处境：数学那一半是焊死的，视觉那一半是目测的。它证明了一个漂亮构造能跑起来，但还没证明它能稳定地跑对。
不要扭曲一张画完的画，让画面和它的畸变一起长——但长成什么样，它还没学会打分。